論文の概要: Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable
Dynamical Systems
- arxiv url: http://arxiv.org/abs/2005.13143v2
- Date: Mon, 21 Sep 2020 17:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 09:51:07.594653
- Title: Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable
Dynamical Systems
- Title(参考訳): ユークリッド化フロー:安定力学系学習のための双相的還元
- Authors: Muhammad Asif Rana, Anqi Li, Dieter Fox, Byron Boots, Fabio Ramos,
Nathan Ratliff
- Abstract要約: 本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。
複素運動は安定な力学系のロールアウトとして符号化される。
このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
- 参考スコア(独自算出の注目度): 74.80320120264459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic tasks often require motions with complex geometric structures. We
present an approach to learn such motions from a limited number of human
demonstrations by exploiting the regularity properties of human motions e.g.
stability, smoothness, and boundedness. The complex motions are encoded as
rollouts of a stable dynamical system, which, under a change of coordinates
defined by a diffeomorphism, is equivalent to a simple, hand-specified
dynamical system. As an immediate result of using diffeomorphisms, the
stability property of the hand-specified dynamical system directly carry over
to the learned dynamical system. Inspired by recent works in density
estimation, we propose to represent the diffeomorphism as a composition of
simple parameterized diffeomorphisms. Additional structure is imposed to
provide guarantees on the smoothness of the generated motions. The efficacy of
this approach is demonstrated through validation on an established benchmark as
well demonstrations collected on a real-world robotic system.
- Abstract(参考訳): ロボットのタスクは、しばしば複雑な幾何学構造を持つ運動を必要とする。
本稿では,人間の運動の規則性(安定性,滑らか性,境界性など)を利用して,限られた数のデモンストレーションからそのような動きを学習する手法を提案する。
複素運動は安定な力学系のロールアウトとして符号化され、微分同相によって定義される座標の変化の下では、単純手特定力学系と等価である。
微分同相写像を用いる直接的な結果として、手特定力学系の安定性特性は学習力学系に直接受け継がれる。
密度推定に関する最近の研究に触発されて,簡単なパラメータ付き微分同相写像の合成として微分同相写像を表現することを提案する。
生成した動きの滑らかさを保証するために追加構造が課される。
このアプローチの有効性は、確立されたベンチマークの検証と、実世界のロボットシステムで収集されたデモを通じて実証される。
関連論文リスト
- AI-Lorenz: A physics-data-driven framework for black-box and gray-box
identification of chaotic systems with symbolic regression [2.07180164747172]
複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。
私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。
これにより、動的挙動の将来的な進化を予測することができる。
論文 参考訳(メタデータ) (2023-12-21T18:58:41Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳(メタデータ) (2023-07-21T14:25:06Z) - Evolve Smoothly, Fit Consistently: Learning Smooth Latent Dynamics For
Advection-Dominated Systems [14.553972457854517]
複雑な物理系のサロゲートモデルを学ぶための,データ駆動・時空連続フレームワークを提案する。
ネットワークの表現力と特別に設計された整合性誘導正規化を利用して,低次元かつ滑らかな潜在軌道を得る。
論文 参考訳(メタデータ) (2023-01-25T03:06:03Z) - Learning Riemannian Stable Dynamical Systems via Diffeomorphisms [0.23204178451683263]
有害で自律的なロボットは、精巧な動的動作を巧みに実行できなければならない。
学習技術は、このようなダイナミックスキルのモデルを構築するために利用することができる。
これを実現するために、学習モデルは、所望の運動力学に類似した安定したベクトル場を符号化する必要がある。
論文 参考訳(メタデータ) (2022-11-06T16:28:45Z) - MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
多様な動きを合成する無条件生成モデルであるMoDiを提案する。
我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。
データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
論文 参考訳(メタデータ) (2022-06-16T09:06:25Z) - Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。
筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
論文 参考訳(メタデータ) (2022-05-03T20:03:22Z) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳(メタデータ) (2022-03-12T14:22:14Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳(メタデータ) (2022-02-25T20:00:56Z) - Linearization and Identification of Multiple-Attractors Dynamical System
through Laplacian Eigenmaps [8.161497377142584]
速度拡張カーネルを利用したグラフベースのスペクトルクラスタリング手法を提案し,同じダイナミックスに属するデータポイントを接続する。
部分力学が線型であり、n-次元埋め込みが準線型であるような2次元埋め込み空間が常に存在することを証明する。
我々は、ラプラシアン埋め込み空間から元の空間への微分同相性を学び、ラプラシアン埋め込みが良好な再構成精度とより高速な訓練時間をもたらすことを示す。
論文 参考訳(メタデータ) (2022-02-18T12:43:25Z) - OnsagerNet: Learning Stable and Interpretable Dynamics using a
Generalized Onsager Principle [19.13913681239968]
我々は、一般化オンサーガー原理に基づいて、物理過程からサンプリングされた軌道データを用いて、安定かつ物理的に解釈可能な力学モデルを学ぶ。
さらに、この手法をレイリー・ベナード対流の研究に応用し、ローレンツ風の低次元自律還元次モデルを学ぶ。
論文 参考訳(メタデータ) (2020-09-06T07:30:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。